XXVIII CONFERENZA ITALIANA DI SCIENZE REGIONALI

L’APPROCCIO FUZZY PER LA VALUTAZIONE DELLA POVERTÀ URBANA

Silvestro MONTRONE1, Paola PERCHINUNNO 1 e Carmelo Maria TORRE 2

1 Dipartimento di Scienze Statistiche, Università degli Studi di Bari, Via C. Rosalba 53, 70100 Bari, Italia2 Dipartimento di Architettura e Urbanistica, Politecnico di Bari, via Orabona 4, 70125 Bari, Italia

SOMMARIO

In un mondo che si va sempre più urbanizzando, dove grandi città si stanno sviluppando sempre più velocemente, la povertà urbana e la gestione delle aree metropolitane rappresentano i maggiori problemi per i paesi sviluppati e in via di sviluppo. La problematica da cui parte questo contributo deriva dalla necessità di individuare, sulla base di dati statistici, aree territoriali caratterizzate da situazioni di povertà urbana, legate al possesso e alle dotazioni delle abitazioni. La lotta alla povertà urbana, oltre a costituire un obiettivo delle politiche e delle pratiche di pianificazione territoriale, è divenuto un aspetto fondamentale delle politiche di Coesione Sociale in Europa (Eurofound). A questa problematica si tenta di applicare l’approccio Total Fuzzy and Relative (TFR), il quale consiste nella definizione di una misura del grado di appartenenza di un individuo all’insieme sfocato dei poveri, considerando indicatori tipici di disagio abitativo e di povertà urbana. A valle della definizione di variabili fuzzy, si è applicato in questo caso l’approccio della “semantic distance”, basato sulla definizione di una “distanza fuzzy” come discriminante multidimensionale riferita alla povertà urbana , in un caso specifico quale l’area della “Città di Bari”.

Il contributo è frutto di riflessioni comuni degli autori, pur dovendosi attribuire a Silvestro Montrone i paragrafi 1, 3.1, 3,2, 4.1, 5, a Paola Perchinunno i paragrafi 2.2, 3.3, 4.2 e a Carmelo Maria Torre i paragrafi 2.1, 3.4, 4.3.

1 INTRODUZIONE

L’ analisi della povertà si pone tra i temi di maggior interesse sia in campo economico che sociale, come “fattore di evoluzione e di misura del livello di benessere della società attuale (Montrone S., Perchinunno P., 2005)”.Le profonde trasformazioni economiche e sociali avvenute negli ultimi decenni pongono il problema della povertà sotto una miriade di sfaccettature. Superata l’identificazione del povero con soggetto che vive ai margini della società (come ad esempio i senza fissa dimora), il concetto di povertà si estende verso quello del disagio economico e dell’esclusione sociale. Tale concetto, specialmente nei Paesi con un’economia avanzata, presenta aspetti complessi e il panorama teorico di riferimento non risulta univocamente definito.Dagli anni ‘70 ad oggi numerosi studi sulla povertà hanno dato origine ad una varietà di approcci, ad ognuno dei quali è corrisposta una attenta definizione e concettualizzazione di tale fenomeno. Un primo approccio, più tradizionale, è l’approccio unidimensionale, basato essenzialmente sulla “definizione e misurazione della povertà a partire da un’unica variabile, sia essa il reddito o il consumo e sulla determinazione di una linea di povertà, come soglia di demarcazione per classificare gli individui in poveri e non poveri (Coccia, Pannuzi, Rinaldelli, Vignani, 2002)”.In questo contesto, i numerosi concetti di povertà formulati sono tutti riconducibili ad una tradizionale distinzione tra povertà assoluta e relativa. L’approccio basato sul concetto di povertà assoluta parte dalla definizione di povertà intesa come mancato raggiungimento di un oggettivo livello di benessere minimo, indipendente dal contesto sociale e temporale. Si fa, quindi, riferimento a quello che nella teoria economica è noto come approccio basic needs, secondo cui la povertà è da intendersi come mancato soddisfacimento dei bisogni primari. L’approccio basato sulla povertà relativa si basa, invece, sull’assunzione che la condizione sociale di un individuo, non può essere definita se non a partire dall’ambiente nel quale vive, ovvero le persone, famiglie, gruppi di popolazione sono considerati poveri quando vivono in uno stato di esistenza peggiore dello standard della comunità a cui essi appartengono, cioè non possono adeguarsi al tipo di alimentazione, partecipare alle attività e avere quelle condizioni di vita e comodità che sono abituali nella società alle quali appartengono. In maniera trasversale all’approccio relativo e a quello assoluto (identificati come oggettivi) si pone l’approccio soggettivo. Secondo l’approccio soggettivo si considerano poveri, gli individui o le famiglie che si dichiarano tali, nel confronto che essi stessi fanno in termini di benessere percepito con gli appartenenti alla stessa società. E’ dunque la “percezione” che ciascuno ha del proprio stato che consente di identificare la misura della povertà, molto più di quanto sia in grado di fare la valutazione oggettiva di una osservatore esterno.

Tanto nella letteratura accademica quanto nei rapporti scientifici internazionali si rimarca però la natura multidimensionale della povertà; il che comporta la necessità di ricorrere non più ad un unico indicatore ma ad un gruppo di indicatori utili per la definizione delle condizioni di vita dei diversi soggetti. Le opzioni di ricerca scientifica si sono orientate, di conseguenza, verso la costituzione di un approccio multidimensionale, allargando l’analisi ad un’ampia gamma di indicatori delle condizioni di vita ed al tempo stesso adottando strumenti matematici che consentano di tenere adeguatamente conto delle complessità. In questo approccio vengono utilizzate differenti analisi multivariate: l’approccio dell’esclusione sociale di Renè Lenoir (1974), l’indice sulla povertà umana del Rapporto sullo Sviluppo Umano delle Nazioni Unite, l’approccio dei funzionamenti e delle capability di A. Sen (1994) e la teoria fuzzy di L. A. Zadeh (1965). L’approccio fuzzy, consente di rinunciare alla logica dicotomica “poveri e non poveri”, in modo tale da poter cancellare tutte le sfumature esistenti tra le due situazioni estreme di elevato benessere e di marcato disagio materiale, per spingersi sino a classificazioni di tipo sfocato, in cui ogni unità appartiene e contemporaneamente non appartiene alla categoria di povero. Particolarmente interessante per la misura dell’incidenza della povertà relativa nella popolazione considerata è l’approccio cosiddetto “Totalmente Sfocato e Relativo, che utilizza la tecnica degli Insiemi Sfocati (Fuzzy Set) per ottenere una misura di incidenza di povertà relativa nell’ambito di una popolazione, a partire dall’informazione statistica fornita da una pluralità di indicatori (Lemmi e Pannuzi, 1995)”. La problematica da cui parte questo contributo deriva dalla necessità di individuare, sulla base di dati statistici, aree territoriali di povertà urbana, caratterizzate da situazioni di disagio legate al possesso e alle dotazioni delle abitazioni, in un caso specifico quale l’area della “Città di Bari”. Da qui l’interesse per la definizione e costruzione di indicatori tipici del disagio abitativo, che siano in grado di stimare la povertà in aree suburbane. La lotta alla povertà urbana, oltre a costituire un obiettivo delle politiche e delle pratiche di pianificazione territoriale (ECTP, 2003), è divenuto un aspetto fondamentale delle politiche di Coesione Sociale in Europa (Eurofound, 2006) e di progetti di ricerca finanziati dall’OECD e dagli EU Framework Programs (Czasny, 2004). La relazione tra povertà abitativa politiche urbane e politiche di coesione è stata indagata anche dagli istituti finanziari europei (ECB, 2003).A questa problematica si tenta di applicare un approccio Fuzzy che consenta di definire una misura del grado di appartenenza all’insieme sfocato dei poveri, considerando indicatori tipici di disagio abitativo e di povertà urbana. Oltre all’approccio fuzzy sono stati considerati anche altri metodi statistici di analisi e sintesi dei dati, quali la media bipolare (Maffenini, Zenga, 2005) come misura sintetica nel caso di caratteri qualitativi ordinabili. Infine, a valle della definizione di variabili fuzzy, si è applicato in questo caso l’approccio della “semantic distance” (Munda, 1995), basato sulla definizione di una “distanza fuzzy” come discriminante multidimensionale riferita alla povertà urbana nei quartieri della Città di Bari.

2 ANALISI DELLA POVERTA’ ABITATIVA

2.1 Introduzione

In un mondo che si va sempre più urbanizzando, dove grandi città si stanno sviluppando sempre più velocemente, la povertà urbana e la gestione delle aree metropolitane rappresentano i maggiori problemi per i paesi sviluppati e in via di sviluppo (Fusco Girard e Forte, 2001). Come precedentemente accennato, la povertà connota un disagio che non necessariamente si esaurisce nella carenza di risorse monetarie, ma che coinvolge una pluralità di dimensioni di natura sociale e culturale quale l’istruzione, la salute, l’abitazione, e si concretizza come mancanza di equo accesso ad una pluralità di beni e di servizi essenziali.Un riferimento interessante, rispetto al caso di studio illustrato nel seguito di questo contributo è quello di Bayliss (1968), che in alcuni contesti urbani individua una relazione lineare significativamente descrittiva tra reddito procapite, struttura delle famiglie, condizioni lavorative e valore immobiliare delle abitazioni. Townsend (1979) definisce povere le famiglie che “mancano delle risorse per seguire il tipo di alimentazione, partecipare alle attività ed avere le condizioni di vita che sono abituali, o almeno ampiamente incoraggiate, o approvate, nelle società in cui vivono”. Il riferimento è, quindi, ad un concetto di povertà come privazione relativa, che tiene conto del particolare contesto storico, economico, sociale, geografico, culturale e istituzionale che viene analizzato. Nel suo studio individua dodici dimensioni principali della povertà, rispettivamente: l'alimentazione, il vestiario, le spese per la casa, i servizi nelle abitazioni, le condizioni abitative, le condizioni di lavoro, la salute, l'istruzione, l'ambiente, le attività familiari, le attività ricreative e le relazioni sociali. Come si vede, ben tre delle dodici dimensioni considerate fanno riferimento al fenomeno abitativo.Queste dodici categorie sono state riprese in tutti i successivi studi basati sul concetto di povertà multidimensionale, condotti tra gli altri da Gailly e Hausman (1984), Mack e Lansley (1985), Desai e Shah (1988) e Muffels (1993). “Tali categorie portano all'identificazione di indicatori corrispondenti, i quali sono intesi come sintomi di una situazione di indigenza; in altre parole la mancanza di determinati beni e servizi o l'impossibilità ad accedere a certe attività vengono considerati fattori che possono determinare una condizione di povertà e non una conseguenza della stessa (Ricci, 1997)”. Il significato della povertà abitativa è ben espresso da Whelan (1991), che ipotizza e sottopone a verifica attraverso un'analisi fattoriale l'esistenza di tre fattori di privazione: primaria (alimentazione e vestiario), secondaria (viaggi e hobbies) e terziaria (condizioni abitative).

2.2 Variabili e gli indicatori di povertà abitativa

La povertà abitativa è una parte rilevante della povertà urbana, come dimostrano studi, anche recenti, condotti sulle diversificate realtà dell’ Unione Europea (Czasny, 2004). L'analisi delle condizioni abitative nell'ambito dello studio della povertà, in generale fa riferimento essenzialmente a quattro principali categorie di indicatori che riguardano rispettivamente:

o il titolo di godimento; o la quota di spesa per l'alloggio; o l'affollamento; o la qualità dell'abitazione.

Possedere l'abitazione in cui si vive costituisce sicuramente un vantaggio non solo perché la casa rappresenta un bene immobile di indubbio valore, ma anche perché spesso le abitazioni di proprietà presentano un migliore stato di conservazione e sono fornite di servizi più efficienti. Pur in presenza di carenze strutturali, infatti, un proprietario è più disposto, rispetto ad un affittuario, a spendere per manutenzione e ad investire in ampliamenti o ristrutturazioni, come dimostrano gli studi sull’owenrship cost (Poterba, 1984). L'affollamento costituisce, inoltre, un disagio connesso alla numerosità della famiglia, i componenti della quale, trovandosi a vivere in uno spazio ristretto, possono vedere limitata la propria libertà e privacy. In particolare, in una realtà quale quella che caratterizza il nostro Paese, nella quale è netta la tendenza alla riduzione del numero dei componenti del nucleo familiare, l'affollamento abitativo sembra correlarsi in maniera più netta a situazioni di povertà. Spesso il problema dell'affollamento è anche associato a situazioni di coabitazione di più nuclei familiari all'interno della stessa struttura, anche se non sempre i soggetti interessati percepiscono tale sistemazione come sintomo di disagio abitativo.La qualità dell'abitazione è misurata sia dall'epoca di costruzione e dallo stato di manutenzione, sia dalla presenza di servizi funzionali e di beni durevoli ritenuti di uso comune nell'ambito della società oggetto di studio: questi possono comprendere il riscaldamento centralizzato, l'esistenza o il numero di impianti igienico-sanitari appropriati, il telefono e altri beni di comfort come posto auto, telefono (Ravallion, 1992).

3 IL CASO DI STUDIO

3.1 Introduzione

In Italia le principali fonti che possono essere utilizzate per la stima ufficiale della povertà sono l’Indagine sui Consumi delle famiglie italiane condotta dall’Istat e l’Indagine sui Bilanci

delle famiglie italiane condotta dalla Banca d’Italia. Purtroppo entrambe le indagini sono campionarie e non consentono di risalire ad un livello di dettaglio per ripartizioni territoriali. Le nuove esigenze informative, volte ad una migliore programmazione delle strategie per contrastare la povertà e l’esclusione sociale e ad una valutazione degli interventi effettuati, richiedono però un livello di disaggregazione dell’analisi di povertà maggiore.Il caso oggetto di studio del nostro contributo nasce dalla necessità di individuare, sulla base di dati “statisticamente corretti”, delle aree territoriali caratterizzate da situazioni di disagio abitativo o di povertà urbana nella città di Bari. Le fonti sono, quindi, rappresentate da:

o Censimento Istat della Popolazione e delle Abitazioni del 2001;o Borsini Immobiliari (Tecnocasa, Camera di Commercio di Bari, Comune di Bari).

Le unità geografiche di riferimento, a causa della necessità di disporre di dati fruibili con il maggior livello di dettaglio, sono state per il Censimento le 1.421 sezioni della città metropolitana di Bari e per i Borsini immobiliari i singoli quartieri.In merito alla scelta e individuazione degli indicatori di povertà abitativa e a quanto reso fruibile dai Censimenti Istat sono stati individuati i set di variabili relativi a: 1) Condizioni abitative descritte dalla integrazione delle seguenti caratteristiche:

a. Abitazioni occupate da persone residenti in base al titolo di possesso (affitto, usufrutto, proprietà);

b. Abitazioni occupate da persone residenti in base al numero di stanze (una stanza, due stanze, tre stanze, quattro stanze, cinque stanze, sei o più stanze);

c. Abitazioni occupate da persone residenti in base alla superficie (meno di 49 mq, da 50 a 79 mq, da 80 a 99 mq, da 100 a 149 mq, da 150 e più mq).

2) Possesso di servizi aggiuntivi descritte dalla integrazione delle seguenti caratteristiche: a. Abitazioni occupate da persone residenti fornite o meno di linea telefonica fissa attiva; b. Abitazioni occupate da persone residenti fornite o meno di impianto di riscaldamento;a. Abitazioni occupate da persone residenti con disponibilità o meno di posto auto.

I dati di interesse per il lavoro sono stati elaborati attraverso l’utilizzo di diverse metodologie che hanno condotto ad una valutazione integrata:

o la media bipolare (Maffenini, Zenga, 2005) come misura sintetica utilizzata per la sintesi di caratteri qualitativi ordinabili.

o l’approccio Total Fuzzy and Relative (TFR) quale misura del grado di appartenenza di un individuo all’insieme sfocato dei poveri.

o l’analisi NAIADE (Munda1995) basata sulla semantic distance, una distanza fuzzy come discriminante multidimensionale riferita alla povertà urbana nei quartieri della Città metropolitana di Bari. Al fine di ottenere un ulteriore elemento di verifica, il confronto tra quartieri è stato effettuato, aggiungendo la geografia dei valori immobiliari agli indicatori individuati per descrivere la povertà abitativa.

3.2 La media bipolare

Usualmente nelle applicazioni statistiche il “valore medio” utilizzato per la sintesi di caratteri ordinali viene calcolato attraverso l’impiego della moda o della mediana. La media bipolare (Bipolar Mean), proposta di recente da Walter Maffenini e Michele Zenga, si pone quale misura alternativa sintetica da utilizzare nel caso di “caratteri qualitativi ordinabili”. Essa è

una distribuzione di frequenza la cui dimensione totale si concentra su una categoria

o su due categorie consecutive e . La distribuzione bipolare è coerente con l’usuale concetto statistico di dominanza basato sulle frequenze retrocumulate. Da un punto di vista matematico la Media Bipolare è una “trasformazione dal set B di tutte le distribuzioni (con dimensione totale n) al nuovo set

delle distribuzioni di dimensione totale n concentrate in una singola categoria o in due categorie consecutive (Maffenini, Zenga, 2005)”.Indichiamo con le modalità di un carattere qualitativo B con scala ordinale. Siano le frequenze delle k categorie in una popolazione di

ampiezza totale pari a .

Siano e rispettivamente le frequenze cumulate e retrocumulate in corrispondenza di :

[3.1]

[3.2]

Prima di procedere con la definizione di media bipolare è necessario dare una definizione di dominanza statistica. Siano e due distribuzioni del

carattere qualitativo ordinabile B aventi uguale numerosità totale .

Siano, inoltre, e le corrispettive frequenze retrocumulate.La distribuzione è più grande della distribuzione se:

[3.3]per ogni e con almeno una stretta disuguaglianza. La seguente simbologia:

[3.4]

indica che è più grande di secondo la dominanza W.Alla determinazione della media bipolare si perviene calcolando in primo luogo la funzione:

[3.5]

che considerando la Formula 3.2 è anche uguale a:

[3.6]

La funzione segue l’ordinamento della 3.4 nel senso che, se:

E’ facilmente dimostrabile che:

[3.7]

Ne consegue che:

[3.8]

Sia il valore di associato alla distribuzione . Sia la media bipolare della distribuzione. In particolare:

1. se coincide con il numero intero la media bipolare coincide con la distribuzione che concentra il totale n delle modalità ;

2. se la media bipolare coincide con la distribuzione che ripartisce n fra le modalità e con la seguente regola:

; [3.9]“Con la determinazione della media bipolare si passa da una distribuzione reale con il totale n ripartito fra le K modalità ad una distribuzione più semplice in cui il totale n è concentrato su una sola modalità o su due modalità successive (Zenga, 2007)”.

3.3 L’approccio Fuzzy per l’analisi della povertà

Lo sviluppo della teoria degli insiemi sfocati (o fuzzy) nasce dal contributo primario di Zadeh (1965) e successivamente di Dubois e Prade (1980) che ne definirono l’impianto metodologico. L’utilizzo di metodologie sfocate nell’ambito degli studi sulla povertà risale, invece, a pochi anni fa grazie ai contributi di Cheli e Lemmi (1995) i quali definirono il metodo Total Fuzzy and Relative (TFR) sulla base di un primo contributo di Cerioli e Zani (1990). L’approccio sfocato TFR consiste nella definizione di una misura del grado di appartenenza di un individuo all’insieme sfocato dei poveri, compreso nell'intervallo tra 0 (se l’individuo non appartiene sicuramente all’insieme dei poveri) e 1 (se appartiene sicuramente all’insieme dei poveri). Dato un insieme X di elementi xX , un qualunque sottoinsieme sfocato A di X risulta definito nel seguente modo:

[3.10]

dove : ,Af x X 0 1 è detta funzione di appartenenza al sottoinsieme sfocato A ed indica

il grado di appartenenza di x ad A . Quindi 0Af x  significa che x non appartiene ad A ,

mentre 1Af x indica che x appartiene completamente ad A . Quando invece accade che 0 1Af x , vuol dire che x appartiene parzialmente ad A , con un grado di appartenenza

che è tanto maggiore quanto più Af x risulta prossima ad 1 (Lemmi, Pannuzi, Mazzolli, Cheli, Betti, 1997).“Per costruire la funzione di appartenenza e l’indice di povertà globale individuale, si possono utilizzare e sintetizzare diversi indicatori che riflettano lo stile di vita (condizioni dell’abitazione, possesso di beni durevoli), la situazione economica (reddito, spese per consumi individuali, ma anche fattori ambientali) o le percezioni soggettive della propria situazione (espresse in grado di soddisfazione o opinioni), rappresentati da variabili qualitative, ordinali o continue (Mencarini, 2001)”. Se supponiamo di osservare k indicatori di povertà per ogni famiglia, cioè caratteristiche osservate, la funzione di appartenenza della i-sima famiglia al sottoinsieme sfocato dei poveri, che rappresenta una misura individuale della povertà globale relativa, può essere definita come media ponderata degli indicatori associati alle variabili supplementari (Cerioli, Zani, 1990):

[3.11]

dove al denominatore compare la media su tutte le n unità della popolazione dei gradi di

appartenenza all’insieme sfocato dei poveri secondo l’indicatore .ix .

Per la definizione della funzione ( )i jg x si possono distinguere due casi, secondo la natura della variabile X :

1. se X è una variabile dicotomica, ( ) 1i jg x indica che per la i-esima famiglia la

modalità assunta da questa variabile denota un sintomo di povertà, mentre ( ) 0i jg x indica l’assenza di questo sintomo.

2. se X è una variabile quantitativa o ordinale, si può definire la funzione di appartenenza all’ insieme sfocato dei poveri riferendosi alla funzione di distribuzione

( )i j jg x H x dove jH x

è la funzione di distribuzione campionaria della

variabile jX ordinata in senso crescente rispetto il rischio di povertà. Per ovviare al problema di distribuzioni di frequenza degli indicatori di povertà sbilanciate, con elevate frequenze associate alle modalità estreme, in caso di variabili ordinali, o ai valori estremi, in caso di variabili quantitative, si può utilizzare una specificazione alternativa di

( )i jg x , proposta da Cheli e Lemmi (1995), dove ( )jH x è la funzione di ripartizione di

ciascun sintomo jx ordinato in senso crescente rispetto al rischio di povertà:

(1)

( ) ( ) ( 1)( 1) ( )

(1)

0 se ; 1

( ) ( ) ( ) ( )( ) se ; 1

1 ( )

ij j

k k kij j j jk k

j ij jj

x x k

g x g x H x H xg x x x k

H x

[3.12]

I valori jw (nella funzione di appartenenza) sono un sistema di pesi (Cheli e Lemmi, 1995), come generalizzazione di Cerioli-Zani, (1990), la cui specificazione è data da:

1

1ln 1n

j j iji

w g x g xn

[3.13]

dove jg x rappresenta la proporzione sfocata di famiglie povere rispetto alla jx . In questo modo, il grado di appartenenza all’insieme sfocato dei poveri è misurato in relazione alla proporzione di indicatori che denotano una situazione di rischio di povertà e ai loro pesi. In estrema sintesi, il peso del j-esimo indicatore è dato da:

a bj j jw w w

[3.14]

dove le componenti ajw e

bjw tengono conto rispettivamente della distribuzione di jX e

della correlazione tra jX e gli altri indicatori (Betti, Cheli, Lemmi, 2002 ). La scelta degli indicatori risulta essere un argomento di rilevante importanza ai fini della bontà dell’approccio TFR. Le variabili utilizzate con maggiore frequenza come indicatori di povertà si riferiscono principalmente alle condizioni abitative (variabile dicotomica del tipo: presenza/assenza di acqua potabile, elettricità, telefono, ecc.), ai beni di consumo durevoli (variabile dicotomica del tipo: presenza/assenza del televisore, automobile, cellulare, ecc.) e alla spesa complessiva per consumi (variabile continua).

3.4 L’analisi multicriteri fuzzy

La metodologia NAIADE (Novel Approach for Imprecise Assessment in Decision Environment), prevede la costruzione di una valutazione a criteri multipli i cui relativi giudizi di valore possono essere espressi attraverso livelli di graduazione verbali o quantitativi. La preferibilità di una alternativa rispetto ad un’altra è formulata attraverso una misura fuzzy della differenza tra i giudizi di valore espressi sulle alternative stesse; di tale trasposizione quantitativa si valuta la credibilità, cioè il valore della funzione di appartenenza fuzzy. Le credibilità delle relazioni di preferenza sono le seguenti:φ>>(X,Y)j credibilità della relazione Φ>>(X,Y) secondo la quale l’alternativa X è

estremamente preferibile all’alternativa Yφ >(X,Y)j credibilità della relazione Φ>(X,Y) secondo la quale l’alternativa X è preferibile

all’alternativa Y

φ ≈(X,Y)j credibilità della relazione Φ≈ (X,Y) secondo la quale l’alternativa X è più o meno indifferente all’alternativa Y

φ =(X,Y)j credibilità della relazione Φ≈ (X,Y) secondo la quale l’alternativa X èindifferente all’alternativa Y

φ <(X,Y)j credibilità della relazione Φ< (X,Y) secondo la quale l’alternativa X èpeggiore dell’alternativa Y

φ <<(X,Y)j credibilità della relazione Φ<< (X,Y) secondo la quale l’alternativa X èestremamente peggiore dell’alternativa Y

Il confronto a coppie delle alternative viene effettuato rispetto ad un determinato criterio j .Tra due alternative X e Y sono giudizi di preferibilità certa di X rispetto ad Y quelli per i quali:

φ >>(X,Y)j = φ >(X,Y)j =1 e φ ≈(X,Y)j = φ =(X,Y)j = 0

mentre sono giudizi di preferibilità certa di Y rispetto ad X quelli per i quali:

φ <(X,Y)j = φ <<(X,Y)j =1 e φ ≈(X,Y)j = φ =(X,Y)j = 0

Infine, sono giudizi di indifferenza certa di X e Y quelli per i quali:

φ >>(X,Y)j = φ >(X,Y)j = φ <(X,Y)j = φ <<(X,Y)j =0 e φ ≈(X,Y)j = φ =(X,Y)j = 1

Se l’analisi non fosse affetta da incertezza, essa equivarrebbe ad una analisi di concordanza (Roy e Bouyssou,1993), sulla base della quale l’alternativa preferibile è quella che prevale più frequentemente nei confronti con le altre alternative, criterio per criterio. La fuzzyness, invece, induce, al variare della credibilità di ciascun confronto tra alternative, alla previsione di più graduatorie di priorità, corrispondenti a differenti situazioni di certezza/incertezza di giudizio (Munda, 1995).Nella valutazione finale delle alternative rispetto a tutti i criteri si aggregano i confronti a coppie ottenuti criterio per criterio. Tale aggregazione avviene definendo il valore di soglia di credibilità secondo la logica di fuzzy clustering suggerita da Bezdek (1981). Quando la credibilità della relazione di preferenza di un’alternativa rispetto a un’altra supera il valore di soglia si può ritenere che tale giudizio abbia credibilità pari a 1; in caso contrario tale giudizio è considerato di credibilità nulla:0≤ φ (X,Y)≤1 se φ (X,Y)j > α per la maggior parte dei criteri jφ (X,Y) = 0 se φ (X,Y)j ≤ α per tutti i criteri jφ (X,Y) =1 se φ (X,Y)j ≥ α per tutti i criteri j e φ (X,Y)j > α per almeno uno dei criteri j.Al fine di stabilire la priorità tra una generica alternativa X e n-1 alternative Yk si definiscono due funzioni Φ+(X,Yk) e Φˉ( X,Yk). La funzione Φ+(X) è costruita sulle funzioni di preferenza

φ >>(X,Yk) e φ >(X,Yk) e indica la prevalenza dell’alternativa A sulle alternative Yk con un indice di valore compreso nell’intervallo [0, 1], mentre la funzione Φˉ(X) è basata sulle funzioni di preferenza φ <<(X,Yk) e φ <( X,Yk) e indica di quanto l’alternativa A è non è prevalente rispetto alle altre, ancora una volta con un indice di valore compreso nell’intervallo [0, 1]. Le espressioni delle funzioni Φ+(X) e Φˉ(X) sono le seguenti:

[3.15]

[3.16]

dove C rappresenta il numero di criteri per i quali si verifica una data relazione di preferenza (forte: Φ>>, o debole: Φ>) per Φ+(X) o di non preferenza (forte: Φ<<, o debole: Φ<) per Φˉ(X). Nel caso in esame, Φ+(X) rappresenta la funzione fuzzy di povertà dell’alternativa X (il quartiere) rispetto a Yk (gli altri quartieri) e Φˉ(X) rappresenta la funzione fuzzy di ricchezza dell’alternativa X rispetto a Yk.

4 RISULTATI

4.1 Introduzione

L’elaborazione integrata dei dati, attraverso l’utilizzo delle diverse metodologie sopra illustrate, ha consentito l’interpretazione dei risultati sotto molteplici aspetti. In primo luogo sono stati analizzati i valori derivanti dalla applicazione della media bipolare sui 6 set di variabili considerati (proprietà, stanze, superficie, telefono, riscaldamento, posto auto). In secondo luogo sono stati analizzati i valori relativi alle condizioni abitative e alla presenza di servizi aggiuntivi, sintetizzati attraverso l’applicazione del modello total fuzzy and relative (TFR) in un unico valore per sezione di censimento. Inoltre, sono state elaborate le rispettive rappresentazioni su piattaforma GIS (abitazioni, servizi, cluster) per singole sezioni di censimento. Infine, sono stati analizzati i risultati emersi dall’analisi NAIADE riferita alla povertà urbana nei quartieri della Città di Bari al fine di ottenere un confronto tra quartieri ed

è stata elaborata una cluster analysis volta alla definizione di alcuni profili comuni alle diverse sezioni di censimento.

4.2 Interpretazione dei risultati emersi (media bipolare e Total fuzzy and relative)

Dal punto di vista numerico al fine di interpretare i risultati ottenuti risultano di interesse alcune elaborazioni sui valori derivanti dalla media bipolare. In primo luogo, è opportuno evidenziare come la città di Bari sia suddivisa (in base ai dati Istat del Censimento della Popolazione e delle Abitazioni del 2001) in 1.421 sezioni di censimento; di esse 90 sezioni non presentano il dato relativo alle abitazioni, in quanto si tratta di aree disabitate o destinate ad altro uso, come ad esempio parchi o università.

Tabella 1 Ripartizione della città metropolitana di Bari in base alle sezioni di censimento

QuartiereNumero s ez ioni C elle vuote

S ezioni analizzate

% s ezioni analizzate

C arbonara 156 1 155 11,6%C arbonara-C eglie 1 1 0,1%C arrass i 104 2 102 7,7%C eglie 52 3 49 3,7%J apigia 89 9 80 6,0%L ibertà 117 9 108 8,1%L ibertà_Murat 1 1 0,1%L os eto 15 2 13 1,0%Madonnella 52 3 49 3,7%Madonnella_MUR AT 1 1 0,1%Marconi_S .G irolamo_F esca 85 11 74 5,6%Murat 138 8 130 9,8%palese 63 3 60 4,5%P icone 152 9 143 10,7%S .Nicola 80 6 74 5,6%S .P aolo 97 11 86 6,5%S .P as quale 72 3 69 5,2%S .S pirito 64 3 61 4,6%S tanic 24 2 22 1,7%T orre a Mare 58 5 53 4,0%Totale 1421 90 1331 100,0%

Dall’analisi dei valori emersi dalla applicazione sui sei indicatori considerati (proprietà, stanze, superficie, telefono, riscaldamento, posto auto), emerge come la sintesi dei valori bipolari sia differente a seconda del livello di povertà intrinseco nei dati. Avremo, quindi, i seguenti valori assunti dagli indicatori in tutto il territorio comunale di Bari, compresi tra un minimo di 0 (non sintomo di povertà) e un massimo di 1 (appartenente all’insieme dei poveri). Dalla Tabella 2 appare evidente come le abitazioni presenti sul territorio analizzato presentino una scarsa appartenenza all’insieme dei poveri in termini di presenza di servizi alle abitazioni, in particolare relativamente al possesso di telefono (con un valore medio pari a 0,16) e riscaldamento (0,08), mentre appare evidente la carenza di posti auto (0,43) e di superficie occupata dalle abitazioni (0,52).

Tabella 2 Medie dei valori bipolari per i quartieri di Bari Quartiere proprietà s tanze s uperfic ie telefono ris c aldamento pos to autoCarbonara 0,29 0,45 0,56 0,17 0,06 0,44Carbonara-Ceglie 0,27 0,44 0,51 0,23 0,00 0,08Carrassi 0,25 0,36 0,47 0,10 0,07 0,65Ceglie 0,44 0,42 0,55 0,19 0,06 0,32Japigia 0,31 0,30 0,44 0,09 0,04 0,32Libertà 0,36 0,50 0,63 0,18 0,20 0,87Libertà_Murat 1,00 0,20 0,50 0,00 0,00 0,00Loseto 0,34 0,40 0,51 0,17 0,01 0,13Madonnella 0,42 0,44 0,56 0,18 0,19 0,89Madonnella_MURAT 0,32 0,22 0,35 0,09 0,00 0,68Marconi_S.Girolamo_Fesca 0,31 0,45 0,59 0,20 0,08 0,27Murat 0,31 0,34 0,41 0,11 0,08 0,85palese 0,26 0,40 0,51 0,16 0,04 0,29Picone 0,19 0,33 0,44 0,07 0,04 0,44S.Nicola 0,50 0,63 0,81 0,39 0,47 0,95S.Paolo 0,47 0,34 0,54 0,16 0,07 0,27S.Pasquale 0,26 0,36 0,44 0,11 0,07 0,50S.Spirito 0,40 0,37 0,53 0,17 0,04 0,22Stanic 0,30 0,43 0,58 0,16 0,10 0,25Torre a Mare 0,35 0,44 0,53 0,22 0,06 0,29Media g enerale 0,37 0,39 0,52 0,16 0,08 0,43

(Fonte: nostra elaborazione su dati Censimento della Popolazione e delle Abitazioni 2001)

Andando ad analizzare nello specifico le medie bipolari calcolate per quartiere va evidenziato come relativamente agli aspetti legati alle condizioni abitative (proprietà, stanze e superficie) i quartieri nei quali si presenta un maggior livello di povertà (superiore alla media) sono Libertà, Madonnella, San Nicola, Ceglie. Tale dato viene confermato anche per quanto riguarda i servizi alle abitazioni (telefono, riscaldamento e posto auto) nei quartieri di Libertà, Madonnella e San Nicola. Questi ultimi, infatti, pur essendo quartieri della periferia centrale della città di Bari, presentano maggiori realtà di degrado. Differente è la situazione del quartiere Murat che presenta solamente una forte carenza di posti auto (in termini di povertà di servizi) in quanto si tratta della centro cittadino, con presenza di numerosi palazzi d’epoca ad elevato valore immobiliare, non dotati però di posto auto di pertinenza dell’abitazione.I sei indicatori considerati presentano tra di loro delle relazioni, evidenziate nella Tabella 3 attraverso il calcolo della correlazione. Come è facilmente comprensibile emerge una forte relazione simmetrica tra la superficie delle abitazioni e il numero di stanze occupate (pari a 0,87). Valori elevati (pari a 0,56 e 0,57) si possono evidenziare anche nella relazione tra la presenza di servizi (quali telefono e riscaldamento) e il numero di stanze.

Tabella 3 Correlazioni tra valori bipolari degli indicatoriC orrelaz ione P roprietà S tanze S uperfic e Telefono R is c aldamento P os to_autoP roprietà 1,00 0,32 0,39 0,33 0,33 0,18 S tanze 0,32 1,00 0,87 0,56 0,57 0,39 S uperfic e 0,39 0,87 1,00 0,50 0,53 0,37 Telefono 0,33 0,56 0,50 1,00 0,47 0,17 R is c aldamento 0,33 0,57 0,53 0,47 1,00 0,40 P os to_auto 0,18 0,39 0,37 0,17 0,40 1,00

Per quanto riguarda i risultati emersi dalla applicazione del metodo TFR (Total Fuzzy and Relative) avremo che i 6 indicatori elaborati attraverso le medie bipolari sono stati trasformati

e sintetizzati in due sole categorie di valori fuzzy relativi alle condizioni abitative (descritte dalla integrazione delle componenti relative al titolo di proprietà, alla dimensione e al numero di stanze) e alle dotazioni di servizi aggiuntivi (ottenuto dalla integrazione delle componenti relative al possesso di telefono, riscaldamento e posto auto). Tali valori come accennato nel paragrafo 3.3 misurano il grado di appartenenza di un individuo all’insieme sfocato dei poveri, compreso nell'intervallo tra 0 (non appartenente all’insieme dei poveri) e 1 (appartenente all’insieme dei poveri). I dati rilevati sono stati rappresentati graficamente sotto forma di cartografie, per singole sezioni di censimento, su piattaforma GIS. La distribuzione della povertà delle condizioni abitative è rappresentata attraverso un gradiente di colori passando dalle condizioni di massimo grado di povertà (con tonalità di verde più scuro) a quelle meno povere (con tonalità di verde più chiaro), perché dotate di condizioni abitative migliori. Appartengono all’insieme dei poveri (in termini di carenza delle condizioni abitative) le cosiddette periferie centrali (Pace, 2006), individuate nei quartieri storici, ad iniziare dal borgo antico medievale (San Nicola) fino ai quartieri sorti tra la fine dell’ottocento e la prima metà del novecento, quali Libertà e Madonnella. Le aree con tonalità scure dei quartieri Japigia, Picone e Stanic presentano invece le stesse caratteristiche delle periferie delle “zone 167”, delle espansioni residenziali, dei quartieri satelliti (Rotondo, Selicato, 2006), in quanto non sono state mai oggetto di specifiche politiche di rigenerazione urbana.

Figura 1 Variabile fuzzy relativa alla povertà delle condizioni abitative

Viceversa, le zone della città dove sono stati realizzati interventi di riqualificazione o dove interventi di edilizia residenziale recenti hanno innalzato la qualità delle condizioni abitative, si presentano con colorazioni sia chiare che scure; è questo il caso del quartiere San Girolamo Fesca o dello stesso quartiere Japigia o di quello di Poggiofranco. La distribuzione della povertà delle dotazioni di servizi, riferiti alla presenza di impianto di riscaldamento, di linea telefonica e di posto auto di pertinenza dell’abitazione, illustrata nella figura seguente, rafforza le indicazioni sul livello di povertà relativo alle condizioni abitative della figura precedente, per quanto attiene alle perifere centrali come San Nicola, Madonnella e Libertà. Occorre evidenziare che lo stato di povertà del borgo antico (San Nicola) è dovuto all’epoca di rilevazione dei dati censuari (2001), precedente gli interventi di riqualificazione intervenuti negli anni seguenti, supportati da fondi di origine comunitaria distribuiti durante l’attuazione del cosiddetto programma URBAN. Nelle periferie delle “167”, delle espansioni residenziali, dei quartieri satelliti, le condizioni di maggiore povertà nelle dotazioni di servizi si evidenziano in quartieri come Japigia, Carbonara-Ceglie e Palese-Santo Spirito, in particolare nelle zone in cui sono collocate numerose case popolari (come ad esempio nel caso di Enziteto).

Figura 2 Variabile fuzzy relativa alla povertà delle dotazioni di servizi

4.3 Interpretazione dei risultati emersi (Naiade e cluster analysis)

L’interpretazione dei risultati da un punto di vista geografico è stata effettuata alla scala delle sezioni di censimento, per l’analisi statistica, e alla scala di quartiere per l’analisi multicriteri.Nella realtà urbana di Bari, è possibile individuare alcune immediate corrispondenze tra sezioni e realtà dei quartieri facendo riferimento ai valori delle medie bipolari, ai valori fuzzy e all’analisi cluster.Le variabili utilizzate come criteri nel NAIADE sono state i valori delle medie bipolari per quartiere. Il valore più alto dell’indicatore definisce, come per le medie bipolari, le situazioni di supposta maggiore povertà abitativa. La suddivisione in quartieri è stata preparata con qualche differenziazione rispetto ai quartieri definiti sulla base dei dati ISTAT per sezione di censimento. Sono state trascurate alcune aree di frangia (Torre a mare e Santo Spirito) ed è stata introdotta una divisione tra quartieri che presentavano caratteristiche disomogenee da un punto di vista urbanistico (Picone e Poggiofranco).

Figura 3 La Matrice d’impatto del NAIADE

Ai criteri derivanti dalle medie bipolari è stato affiancato la variabile fuzzy valore immobiliare. Tale accostamento va inteso come momento di verifica della povertà urbana.

Figura 4 La Funzione Fuzzy associata al valore immobiliare del quartiere di Poggiofranco

Dando per scontato che il valore immobiliare più alto è il principale indicatore di limitata accessibilità al bene casa, l’analisi Multicriteri ha potuto evidenziare, integrandosi con la cluster, la corrispondenza di situazioni di povertà abitativa con le evidenze dell’analisi statistica.L’incertezza dovuta alla fuzzyness è leggibile nelle graduatorie Φ+(X) e Φˉ(X), in caso di non coincidenza delle posizioni di graduatoria (rispettivamente in sequenza crescente per Φˉ(X) e decrescente per Φ+(X)). La stabilità delle posizioni alte e basse delle graduatorie Φ+(X) e Φˉ(X), rappresenta un elemento di conferma della scelta degli indicatori, perché evidenzia che le situazioni di maggiore povertà e di minore povertà coincidono sostanzialmente nelle graduatoria relative al cluster dei “poveri” e al cluster dei “meno ricchi”.

Figura 5 Le graduatorie Φ+(X) e Φˉ(X) e le loro intersezioni (sulla destra), per α = 0.6

Utilizzando i dati risultanti dall’applicazione delle medie bipolari è stata effettuata una cluster analysis al fine di raggruppare le unità sperimentali (nel nostro caso i quartieri) in classi, secondo criteri di similarità. La cluster analysis è, infatti, una tecnica di analisi multivariata attraverso la quale è possibile raggruppare le unità statistiche in classi, in modo che le osservazioni siano il più possibile omogenee all’interno delle classi e il più possibile disomogenee tra le diverse classi. L’analisi di cluster effettuata sui valori emersi dalle sei medie bipolari evidenzia soprattutto una differenziazione legata alla differente combinazione delle terne di variabili legate alle condizioni abitative rispetto alla terna legata alle dotazioni di servizi. I cluster, quindi, si possono considerare in qualche modo legati alla compresenza di qualità abitativa (rappresentata dalle dotazioni interne), proprietà, spazi esterni (rappresentata dalla dotazione di parcheggi). Dalla rappresentazione successiva appare evidente la composizione e caratterizzazione delle 5 classi emerse dall’applicazione dell’analisi, considerando sempre un intervallo di valori compresi tra 0 (non sintomo di povertà) e 1 (sintomo di povertà):

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

1

2

3

4

5

Figura 6 I profili relativi ai cinque cluster

Il primo cluster vede convergere la qualità abitativa e la proprietà, con una differenziazione maggiore rispetto alla carenza di posto auto. Il secondo cluster evidenzia rispetto al primo un maggiore deficit di dotazioni esterne; insieme al primo rappresenta aree consolidate, discriminate da una differente dotazione di servizi alla residenza. Il terzo e il quarto cluster evidenziano soprattutto situazioni tipiche delle periferie, dove la dotazione di servizi è più omogenea in ambiti di estensione decisamente superiore rispetto a quelli consolidati, e la differenza sta soprattutto nella variabilità della qualità del patrimonio edilizio-abitativo. Il quinto cluster risulta essere scarsamente significativo. Andando a rappresentare graficamente l’appartenenza dei singoli quartieri ai cluster, si denotano tonalità scure a contorno del borgo murattiano e decrescenti verso le periferie,

ottenendo così due corone, quella relativa alle ex periferie, e quella relativa alle nuove periferie, caratterizzate da differenti forme di marginalità sociale, e da diversi livelli di omogeneità delle realtà fisiche. Queste ultime risentono soprattutto nelle periferie esterne dell’intervento del Piano regolatore Generale, che ha ovviamente individuato schemi di armatura urbana più distribuiti rispetto a quanto è invece frutto del vecchio disegno urbano del Piano Petrucci.

Figura 7 Rappresentazione grafica delle sezioni di censimento per appartenenza ai Cluster

Per quanto riguarda i quartieri centrali meno degradati, come Carrassi e Murat, essi si distribuiscono prevalentemente nel primo cluster, rispettivamente per circa il 55% e per l’84% delle sezioni. Zone centrali, ma nelle quali sono presenti maggiori realtà di degrado, cioè Libertà e Madonnella, si distribuiscono nel primo e nel secondo cluster, rispettivamente per circa un terzo e due terzi delle sezioni censuarie. In particolare, il 41% delle sezioni di Madonnella e il 34% delle sezioni di Libertà appartengono al primo cluster, e il 60% delle sezioni di Madonnella e il 51% delle sezioni di Libertà appartengono al secondo cluster. Il borgo antico di S. Nicola, invece, accentua le tendenze di Madonnella e Libertà: infatti oltre l’80% delle sue sezioni appartengono al secondo cluster, che si delinea come il cluster maggiormente riferibile al degrado delle “periferie del centro”. Va a questo proposito ricordato che i dati trattati sono relativi al 2001, quindi ad un periodo antecedente al picco

della “gentrification” del centro storico, che potrebbe essere indagata se fossero disponibili nuovi dati censuari.Il quartiere Japigia, insieme a S. Paolo, oltre che a S. Girolamo (non considerato nella valutazione multicriteri fuzzy), vedono la maggiore presenza nel quarto cluster, che presenta livelli di deficit di dotazione non particolarmente significativi. I tre quartieri sono caratterizzati in misura variabile da degrado di natura sociale, che però non è riscontrabile nelle dotazioni fisiche da un punto di vista quantitativo.

5 RIFLESSIONI CONCLUSIVE

5.1 Riflessioni emergenti dall’analisi

Dall’analisi congiunta dei dati emergono differenti considerazioni in termini di accessibilità sia alle abitazioni che ai servizi (dotazioni). Accessibilità alle abitazioniLa logica di scelta delle variabili descrittive dell’accesso alle abitazioni è quella della dimensione e del costo della proprietà come elementi discriminanti dell’accesso all’abitazione stessa. Emerge una certa differenza di caratterizzazione tra le periferie moderne, frutto della pianificazione dei PRG, e gli ambiti insediativi consolidati, e, nel contempo, una differenziazione degli insediamenti consolidati centrali rispetto a quelli rappresentanti le periferie del passato, e oggi maggiormente degradati. Si può leggere una corrispondenza tra degrado urbano e povertà abitativa.Accessibilità alle dotazioniLa logica di scelta delle variabili descrittive dell’accesso ai servizi è quella dell’accesso a servizi di base della residenza (posto auto e dotazioni abitative).In questo ambito alcuni risultati sono meno leggibili, soprattutto per servizi come i parcheggi, che fondamentalmente sono più legati nella loro posizione a logiche pianificatorie che a logiche di mercato. Sulla scorta di tale risultanza uno sviluppo futuro della ricerca terrà conto della gratuità dei servizi di base come elemento discriminante rispetto a servizi che rappresentano una offerta per fasce di popolazione a più elevata capacità di spesa.La valutazione a criteri multipli Anche dal Naiade, come dalla cluster analysis emerge una evidente discriminazione tra periferie moderne, ambiti insediativi consolidati e periferie del passato. Il degrado delle periferie del passato è evidente nella doppia graduatoria multicriteri. Invece, situazioni di minore povertà accomunano le situazioni migliori dell’insediamento consolidato (Murat) e delle periferie moderne (Poggiofranco).

Rispetto ai profili dell’analisi di cluster, i quartieri posti in alto nella graduatoria evidenziano una più frequente appartenenza al primo cluster rispetto al secondo negli ambiti urbani consolidati, e al quarto cluster piuttosto che al quinto e al terzo nelle periferie esterne.Questo dato farebbe pensare ad una differenziazione qualitativa e quantitativa degli ambiti rispetto all’“armatura urbana”. Sulla scorta di tale risultanza uno sviluppo futuro della ricerca terrà conto della gratuità dei servizi di base come elemento discriminante rispetto a servizi che rappresentano una offerta per fasce di popolazione a più elevata capacità di spesa.Le Periferie Moderne sono caratterizzate da maggiori dotazioni urbanistiche, che si leggono nei cluster. Il valore immobiliare, non presente nell’analisi di cluster, ma determinante nella graduatoria della multicriteri fuzzy, è un elemento discriminante di alcune di esse rispetto alle altre. Le periferie del passato rappresentano di fatto il filo rosso nella storia della marginalità urbana a Bari, come testimoniano le storie urbanistiche della città, da Petrignani e Porsia (1982) in poi. Periferie del Murattiano prima, luogo dell’affollamento nel boom demografico del secondo dopoguerra, di fatto sono state bypassate dalle attenzioni delle politiche urbane, che hanno poi avviato la stagione delle grandi zone 167, e solo oggi iniziano a porre l’attenzione sull’intervento di recupero di tali ambiti.

5.2 Prospettive future

Lo studio svolto fornisce alcuni spunti per il futuro. Il primo è relativo alla rilevanza che può avere l’approfondimento basato su indagini che partono da gruppi di indicatori di numero contenuto, come nello studio qui illustrato. L’efficacia di tali descrizioni è in qualche modo dimostrata nel caso specifico, e questo invita ad ampliare l’indagine. Il secondo spunto di riflessione è relativo alla possibilità di costruire analisi retrospettive. Sarebbe interessante indagare, ad esempio, che effetti hanno prodotto le politiche urbane concretizzatesi dopo il 2001, e riguardanti ambiti caratterizzati nel presente studio da rilevante povertà abitativa.Il caso più interessante riguarda proprio San Nicola, che è stato oggetto dell’intervento del Programma “Urban”, e ha cambiato fisionomia negli ultimi 5 anni (Tedesco, 2005). Il processo che ha interessato tale quartiere ha inciso sull’allocazione di nuove attività economiche all’interno del centro storico, però ha suscitato un interessante dibattito sulla creazione di maggiori differenziali immobiliari tra nucleo e corona del quartiere, e sulla riduzione del carattere residenziale del quartiere.

Bibliografia

Bayliss D. (1968) Some recend trends in forecastings. CES, London.Betti G., Cheli B., Lemmi A. (2002) Disoccupazione e condizione di vita: dinamiche e

relazioni nella realtà italiana degli anni novanta, Studi sulla povertà, Franco Angeli.Cerioli A., Zani S. (1990) A Fuzzy Approach to the Measurement of Poverty, Income and

Wealth Distribution, inequality and Poverty (a cura di Dugum C., Zenga M.), Springer Verlag, Berlino.

Cheli B., Lemmi A. (1995) A "Totally" Fuzzy and Relative Approach to the Multidimensional Analysis of Poverty, Economic Notes.

Coccia G., Panuzzi N., Rinaldelli C., Vignani D. (2002) Verso un misura della povertà regionale: problemi e strategie, Sesta Conferenza Nazionale di Statistica.

Czasny K. (2004) The Importance of Housing Systems in Safeguarding Social Cohesion in Europe. SOHOCO, Wien.

Desai M. e Shah A. (1988) An econometric approach to the measurement of poverty, Oxford Economic Paper vol 40, n° 3, 505-522.

Dubois D., Prade H. (1980) Fuzzy sets and systems, Academic Press.ECB- (2003) Structural factors in the EU housing markets, European Central Bank, Frankfurt

au Mein.Eurofound-European Foundation for improving living and working conitions (2006) First

European Sourvey on Quality of Life: Social Dimension of Housing, Eurofound, Dublin.European Council of Town Planners () The New Athens ChartFusco Girard L., Forte B. (1997) Città sostenibile e Sviluppo Umano. Angeli, MilanoGailly B. Hausman P. (1984) Desavantages relatifs à une mesure objective de la pauvreté,

Sarpellon G. (ed.) Understanding poverty, Franco Angeli, Milano.Lemmi A., Pannuzi N. (1995) Fattori demografici della povertà, Continuità e discontinuità

nei processi demografici. L’Italia nella transizione demografica,4 Rubettino, Arcavacata di Rende, pp.211-228.

Lemmi A., Pannuzi N., Mazzolli B., Cheli B., Betti G. (1997) Misure di povertà multidimensionali e relative: il caso dell’Italia nella prima metà degli anni ‘90, in Quintano C. (ed.). Scritti di Statistica Economica, 3, Istituto di Statistica e Matematica, Istituto Universitario Navale di Napoli, Quaderni di Discussione, n. 13, Curto, Napoli, 263-319.

Lenoir R. (1974) Les Exclus. Un francais surd ix. Seuil, Paris.Mack J. e Lansley S. (1985) Poor Britain, Allen and Unwin, London. Maffenini W., Zenga M. (2005) Bipolar mean for ordinal variables, Statistica & Applicazioni,

Volume III, n.1.

Maffenini W., Zenga M. (2006) Bipolar mean and mean deviation about the bipolar mean for discrete quantitative variables, Statistica & Applicazioni, Volume IV, n.1.

Mencarini L. (2001) Standard di vita e comportamento riproduttivo nelle aree rurali di Sudafrica e India (risultati preliminari), Giornate di studio sulla popolazione, Università di Milano “Bicocca”, Milano.

Montrone S., Perchinunno P. (2005) La stima della povertà basata su modelli, Annali del Dipartimento di Scienze Statistiche, Facoltà di Economia, Università degli Studi di Bari, n. 4, 107-170.

Munda G. (1995) Multicriteria Evaluation in a Fuzzy Environment, Phisica-Verlag, The Hague.

Muffels R. (1993), Welfare economic effects of social security, Tilburg.Petrignani M. Porsia F. (1982) Le città nella storia d’Italia: Bari, Laterza, BariPoterba, J. (1984), “Tax Subsidies to Owner-occupied Housing: An Asset Market Approach”

Quarterly Journal of Economics 99, 729-52.Ravallion, M. (1992), Poverty Comparisons, A Guide to Concepts and Methods, Living

Standards Measurement Study, Working Paper 88, World Bank, Washington D.C.Ricci R. (1997) Poverta’ abitativa in Italia: 1989-1993, Società e Istituzioni, Presidenza del

Consiglio dei Ministri.Rotondo F., Selicato F. (2006), Periferie meridiane: laboratori del nuovo progetto urbano, in

Atti del Convegno dell’Istituto Nazionale di Urbanistica: Territori e città del Mezzogiorno. “Quante periferie? Quali politiche di governo del territorio”, 22/23 marzo 2006, Napoli, San Giovanni a Peduccio, disponibili on line all’indirizzo: www.inu.it.

Roy B., Bouyssou D. (1993) Aide Multicritère à la Décision: Méthodes et Cas. Economica, Paris.

Pace, F. (2006), Le periferie in Puglia, Atti del Convegno dell’Istituto Nazionale di Urbanistica: Territori e città del Mezzogiorno. “Quante periferie? Quali politiche di governo del territorio”, 22/23 marzo 2006, Napoli, San Giovanni a Peduccio, disponibili on line all’indirizzo: www.inu.it.

Sen A. (1994) Well-Being, Capability and Public Policy, Giornale degli Economisti e Analisi di Economia, vol.L III (N.S.).

Tedesco C. (2005) Una politica europea per la città? L'implementazione di Urban a Bari, Bristol, Londra e Roma. Angeli, Milano.

Towsend P. (1979) Poverty in The United Kingdom, Penguin, Harmondsworth.Whelan C.T. (1991), The role of income, life-style deprivation and financial strain in

mediating the impact of unemployement on psychological distress, Working Paper n° 20, Economic and Social Research Institute, Dublin.

Zadeh L.A. (1965) Fuzzy sets, Information and Control., 8(3): 338-353.Zenga M. (2007) Lezioni di statistica descrittiva, Giappichelli G., Torino.

ABSTRACT

In a urbanised word, urban poorty and urban management in metropolitanean areas are a major deal for countries. Urban poorty is a fight for social cohesion in europe (Eurofound). This paper identify an intersection between real estate appraisal, multicriterial evaluation and statistical analyses, to develop an integrated assessment of urban houseold poorty.The Total Fuzzy and Relative (TFR) as fuzzy multidimensional indicator, and NAIADE, as multidimensional evaluation has been utilised to produce two different ranking for assessing urban housing poorty in the metropolitan city of Bari. The result provides some suggestiona about the possibility to develop some monitoring based on simpli, clear and quicly evident classification, to promote urban policies in easiness for condivision.